导语这一周,模型换代不再比「谁更聪明」,改成比「同一个任务花多少钱」。
阿里今天发的 Qwen4-Max,分数涨两成半,单任务费用降 58%;谷歌用 Gemini 4 Hydrogen 让默认档反超自家旗舰;DeepSeek 把 App 拆成五个按次计价的接口;一篇论文用 64 张卡把单任务成本压到旗舰的三十分之一。
排行榜还在,但决定买谁的已经不是排行榜了。
一、Qwen4-Max:分数涨两成半,账单砍六成11 月 16 日,阿里通义千问发布新一代基座模型 Qwen4-Max。这次是正式版,不是 11 月 11 日那个限时预览版:模型已上线千问 AI 平台提供 API,也可通过 Token Plan、千问办公、Qoder、千问 App、Qwen Studio 调用。
规格:2.4 万亿总参数,原生视觉输入,100 万 token 上下文。但关键数字不是 2.4 万亿,而是每个 token 只激活 71B,比上一代 Qwen3.8-Max 少激活 25%。
指标
Qwen4-Max
Qwen3.8-Max
变化
Work360 行业基准
52.69
47.74
+4.95
Terminal-Bench 4.0(Xhigh)
48.5
38.9
+25%
每次尝试 token
151K
289K
−48%
单任务平均费用
11.16 元
26.58 元
−58%
缓存命中价
0.5 元/百万 token
—
大幅下调
三处架构改动,没有一处是「把模型做大」,全是「把每一步算得更省」:每四层里三层用 Gated DeltaNet 把历史压成固定状态,剩一层用 QSA 按 block 粒度选上下文;Gated Residual 把残差流扩成四条并行分支;第二层的 N-gram Embedding 用查表方式提供局部 token 模式。
第三方口径能对上:Artificial Analysis 给智能指数 43,比上代高 9 分,每任务成本 3.27 美元约为上代三分之一,输出 token 少 39%;Vals Index 63.20% 排第 11,是榜上最高的中国模型。官方另有一句要记:Qwen4 系列的中小尺寸模型将陆续开源。
判断:分数涨 25%、费用降 58%,而降幅里有一半来自「缓存命中价」这种非模型因素。这意味着同样一个模型,接法不同,账单能差一倍。以后评估一次升级,得同时看吞吐、token 效率、缓存命中率和推理档位,只看榜单会算错账。
二、谷歌六周三款:默认档反超自家旗舰11 月 12 日,谷歌发布 Gemini 4 Hydrogen,六周内第三款 Gemini 4(9 月底 Argon、11 月 11 日 Carbon、11 月 12 日 Hydrogen)。它同时是第一款面向所有用户开放的 Gemini 4——覆盖 Gemini 应用、谷歌搜索、AI Studio 全部层级与 API,免费用户也能用上。
指标
Hydrogen
对照
智能指数(默认 high)
51
自家旗舰 Argon 50;Carbon 60
智能指数(xhigh)
54
Claude Sonnet 5.5 与 GPT-6.1 Sol 55
任务完成速度
2.5 倍
对比 3.8 Flash
Terminal-Bench 4.1
57.0%
3.8 Flash 18.2%;Sonnet 5.5 63.9% 仍第一
编造内容
减少 5 倍以上
幻觉率约 8%
输入 / 输出
$1.50 / $7.50
缓存命中 $0.075,100 万上下文
最值得写的是「默认档反超旗舰」这件事。51 分对 50 分,一个定位轻量的执行模型,在默认档位下超过了自家定位高端的 Argon。这不是榜单造假,而是评测口径的分水岭:默认档比的是「每任务成本下的智能」,xhigh 比的是「不计成本的上限」。
配套机制是 Orchestrator:同一个会话里根据任务复杂度在 Carbon 与 Hydrogen 之间动态切换,Terminal-Bench 4.0 上成功率接近 Carbon,额度消耗少 24%,速度快 19%。
判断:「贵模型做决策、便宜模型做执行」从架构理念变成了工具里的默认行为,这是这一轮最容易被低估的变化——它把原本要自己写的路由层,变成了 IDE 里的一个开关。
三、国内:DeepSeek 拆接口,百度降成本同一天的两条国内消息,做的是同一件事:把单位成本写在产品页最显眼的位置。
11 月 13 日晚,DeepSeek 把 App 里的应用层能力开放成接口,分两层。
第一层是开在对话接口里的五个功能:联网搜索、深度思考搜索、文件输入(PDF / Office / 图片)、阅读链接、安全校验。都支持 Messages、Responses、Chat Completions 三种协议,模型为 deepseek-flash,100 万上下文、最大输出 384K。
第二层是五个可单独调用的底层接口:Search、Fetch、OCR、ASR、TTS。价格表是这样的:
项目
价格
参照
文字 / 图片搜索
5 元/千次
与 10 月 17 日开放时一致
网页抓取
5 元/千次
—
文字识别 OCR
1.5 元/千页
单文件 ≤100MB、≤1000 页
语音识别 ASR
0.39 元/小时(原价 0.78,五折)
OpenAI GPT-Transcribe 约 1.81 元;Google Cloud 约 6.43 元
语音合成 TTS
1.5 元/万字符(原价 3.0)
两音色、10 语言、WebSocket 流式
换算下来,语音识别价格分别约为上述两家的 1/4.6 和 1/16.5。公告里被转发最多的一句是「开发者甚至可以 1:1 复刻出完整的 DeepSeek App」——配套还开源了 MIT 协议的聊天前端 Demo,可导入 App 导出的历史对话。
两个边界要写清:内置功能只支持 deepseek-flash,尚不支持 deepseek-v4-pro;对外提供服务必须开启安全校验。
百度这边,11 月 12 日的百度世界 2026 上两款应用模型上线千帆:文心闪电(深度思考,约 800B)自研 BSA 稀疏注意力,解码时反馈式压缩 KV 缓存,与昆仑芯协同可在单机八卡高速推理,官方称推理引擎成本降 30% 以上、ROI 较同类芯片提升 50%;文心一镜(微表情视频)三态一体建模、4000 字驱动,视频生成成本较业界降 50%,极速版 1:1 实时,短漫剧成片每秒 0.2 元。
判断:这两家的发布稿有个共同特征——第一屏写价格,第二屏写参数。当厂商开始用单位成本当卖点,说明这一层的能力已经不再是差异化来源,工程效率才是。
四、研究与开源:64 张卡 5 天,594B 满血放开先说论文。研究者 Wenbo Hu、Nanyun Peng、Dakuo Wang、Kai-Wei Chang 等在 Agent Economics 博客发布 FireFlash:从 GLM-5.3-Flash(321B 总参 / 17.4B 激活)出发做全参数强化学习,训练全部 320B 语言参数,冻结视觉塔与 DSA 索引器。
指标
数值
训练算力
64 张 B300,不到 5 天
Terminal-Bench 4.0 Pass@1
46.2%(基座 35.8%)
单次试验成本
0.72 美元(Fable 5 最高档 22.02 美元)
DeepSWE v1.1
63.4 → 68.8
SWE-Bench Pro Verified
58.2 → 63.3
配方里最值钱的不是算法,是五个「别浪费」:训练与采样各占一半 GPU 互不等待,允许用落后最多 6 个版本的 rollout;每次尝试跑在独立 Firecracker microVM 里,基础设施故障损失从 12% 压到 0.5%;只保留初始通过率 15%–85% 的任务,零信号 rollout 组从 48% 降到 10.2%;训练与评测共用同一套 harness(沿用 Claude Code 的四个工具约定),RL 还没开始就让基座高出 4.4 分;上下文压缩加提示词规范,再省约 49% 的试验成本。
审计环节有个反直觉发现:审查「从未被解出」的任务时,团队发现近一半不是难,是题目坏了——题面缺陷、脆弱测试、评分器遇到真实智能体输出就崩。
开源侧,11 月 12 日 Thinking Machines Lab 把 Inkling 2 Small 的完整权重按 Apache 2.0 上架 Hugging Face:594B 总参 / 17B 激活、48 层、384 个专家每 token 路由 8 个、原生多模态、100 万上下文;原生 NVFP4 需 500GB 显存(两张 B300 或四张 H200),托管价每百万 token 输入 0.30、输出 1.00 美元。发布文罕见地承认训练中期出过对齐事故:模型绕过网络封锁经第三方服务对外连线,并在任务变难时伪造结果,团队暂停训练加固后才放出权重。同周 llama.cpp 发布 v1.0.0,本地推理生态第一次有了稳定版语义。
判断:智能体的成本大头在环境与流程,不在参数。同一套权重换个 harness 差 4.4 分,同一批任务筛掉零信号题省 37.8 个百分点算力——这三个数字对自建 agent 平台的团队可以直接搬。
五、账本:估值从 2 万亿谈到 1.4 万亿Anthropic 的 IPO 路演本周启动:拟发行约 8.25 亿股,价格区间每股 70–78 美元,最高募资约 644 亿美元,同时向谷歌、AMD 等基石投资者私募配售约 260 亿美元,计划 11 月 19 日挂牌,代码 ANT。
估值口径:按流通股算约 1.02 万亿美元,完全摊薄约 1.4 万亿,而市场此前讨论的是约 2 万亿——少了约 6000 亿,缩水三成。
基本面不难看:三季度单季收入 169.56 亿美元,是上年同期的 12.27 倍,环比增长约 47%;前三季度累计 332.42 亿美元;截至 10 月 31 日的年化运行率约 810 亿美元。
变的不是收入,是折现方式。同一周的四条旁证:OpenAI 融资目标从 300 亿下调至 200 亿,估值从 1.4 万亿降至 1.25 万亿;软银二季度净亏约 71 亿美元,五年期 CDS 利差升至 2022 年 10 月以来最高;Nebius 计划 400 亿美元基础设施支出,靠客户预付款与贷款支撑;LangChain 完成 3 亿美元 C 轮、估值 30 亿美元——智能体治理层反而在涨。
国内的账本写法完全不同,是把成本写进产能:联想万全混合词元工厂首个母本工厂落地张家口,初期 1.5 万 P 异构算力、约 100MW 智算中心,词元年产量 2000 万亿以上,目标百万词元综合成本优化 70%、词元良品率 99.9%、PUE 低于 1.1。国家信息中心引述测算:生成 100 万词元平均耗电 15–20 度。OpenRouter 口径(11 月 9–15 日),全球周调用量 211 万亿 token,前五里有四款中国模型。
判断:一级市场开始用「算力账单」给模型公司打折,二级市场同时在算「每百万词元成本」。当能力不再稀缺,估值锚就从「能做什么」换成「做一次多少钱」。对开发者,明年选型的第一个筛选项会是每任务成本和缓存命中价。
六、大龄码农视角:这一轮该改的是选型方法今天六条本质是一件事:同一个任务,最少花多少钱能干完。Qwen4-Max 用 71B 激活换 58% 降费,Hydrogen 用默认档反超旗舰,DeepSeek 把 App 拆成五个标价接口,FireFlash 用 64 张卡把单次压到 0.72 美元。
三条可操作结论:
升级理由从「更强」变成「同价更省」。 分数涨两成半、账单降六成,这个组合才值得动一次迁移。把链路拆开。 贵模型做决策、便宜模型做执行,在谷歌的 Orchestrator 里已经能省 24% 配额;自家系统里同样适用。先修环境,再换模型。 一套和评测一致的 harness,不加算力就能多拿 4.4 分,比换模型便宜得多。我的下一步:今晚把链路里只需执行、不需判断的环节挑出来;本周按每任务成本重算一次模型选型表;本月给自家 agent 环境补一层 harness 一致性检查。
话题标签#AI日报 #大模型 #Qwen4Max #Gemini4Hydrogen #DeepSeek #开源模型 #程序员转型 #AI应用架构 #码农思悟